8.8分纯生信免疫分型，换个肿瘤可重复

该思路可重复，需要做该思路的分析可联系小编咨询。

肿瘤微环境（TME）主要由肿瘤细胞和与基质细胞混合的肿瘤免疫浸润细胞组成。最近的一项临床试验表明，肿瘤免疫细胞浸润(ICI)与免疫治疗的敏感性和头颈部鳞状细胞癌(HNSC)的预后相关。在本项研究中，作者通过CIBERSORT和ESTIMATE计算了1029名HNSC患者的ICI情况，并根据免疫细胞浸润模式将HNSC分为三个独立的亚型，通过主成分分析确定ICI分数。结果表明：高ICI评分的患者肿瘤突变负荷(TMB)和免疫激活信号通路增加，而在低ICI评分亚型中则观察到转化生长因子-β(TGF-β)和WNT信号通路的激活。此外，两个验证队列同样证实了ICI评分较高的患者表现出显著的治疗优势。这说明ICI评分可作为肿瘤免疫治疗的有效预后生物标志物和预测指标，可能为当前HNSC免疫治疗策略的研究提供方向。

发表杂志：MolTher Nucleic Acids.

影响因子：8.880

研究背景

头颈癌是全球第六大恶性肿瘤，而鳞状细胞癌是HNSC最常见的病理类型。局部复发、颈部淋巴结转移和对常规化疗耐药导致的治疗失败是晚期头颈部鳞状细胞癌（HNSC）患者死亡的主要原因。免疫疗法激活宿主的自然防御系统，识别并消除肿瘤细胞。然而，这种治疗的主要局限性在于它仅使少数患者受益。因此，急需新的治疗标志物以便确定理想的免疫治疗HNSC亚组。

流程图

分析解读

HNSC肿瘤微环境免疫浸润

①有1029个HNSC样本来自TCGA-HNSC及GEO数据库。

②CIBERSORT量化HNSC肿瘤组织中免疫细胞的活性。

③ESTIMATE评估每个HNSC样本的免疫和基质含量（免疫和基质评分）。

④根据每个样本的ICI模式进行HNSC的分层聚类。

结果：

下图A：五个独立HNSC队列中肿瘤浸润免疫细胞的无监督聚类。

下图B：具有免疫细胞浸润类别的所有HNSC患者的总生存期(OS)的Kaplan-Meier曲线。

下图C：三个ICI模块中肿瘤浸润免疫细胞的比例及免疫和基质评分。通过Kruskal-Wallis检验比较三个ICI模块的统计差异。

下图D：肿瘤浸润免疫细胞类型的细胞相互作用。

下图E-F：不同ICI模块之间PD-L1(E)和PD1(F)表达的差异（Kruskal-Wallis检验，p<0.0001）。

识别免疫基因亚型

①与ICI表型相关的DEG：根据免疫细胞浸润水平将患者分组到ICI模块中，以确定与ICI模式相关的基因。

②将ICI基因模块与生存信息整合来探索预后价值。

结果：

下图A:在三个ICI聚类组中对常见DEG进行无监督聚类，将患者分为三组：基因模块A-C。

下图B：三组患者的Kaplan-Meier曲线。对数秩检验显示总体p=0.0065。

下图C-D：两个ICI相关特征基因的基因本体(GO)富集分析。

下图E：三个基因模块中肿瘤浸润免疫细胞的比例，并绘制了三个ICI模块的免疫和基质评分，通过Kruskal-Wallis检验比较三个ICI模块的统计差异。

下图F-G：不同ICI基因模块之间PD-L1(F)和PD1(G)表达的差异（Kruskal-Wallis检验，p<0.0001）

降维和生成ICI分数

①采用无监督聚类根据DEG值对TCGA中的患者进行分类。

②采用Boruta算法对ICI基因进行降维。

③为了获得HNSC患者ICI情况的定量指标，我们使用主成分分析(PCA)来计算两个总分。

④应用一种类似于基因表达等级指数的方法定义每个患者的ICI评分：

⑤用Kaplan-Meier绘图仪评估ICI评分的预后意义。

结果:

下图A：具有不同ICI模块、ICI评分和生存结果的组中ICI基因模块分布的冲积图。

下图B：免疫检查点相关基因（IDO1、CD274、HAVCR2、PDCD1、CTLA4和LAG3）和免疫激活相关基因（CD8A、CXCL10、CXCL9、GZMA、GZMB、PRF1、IFNG、TBX2和TNF）高表达和低ICI评分亚组。

下图C：富集图显示低ICI评分亚组中的ECM受体相互作用、粘着斑、TGF-β、紧密连接和Wnt信号通路。

下图D：富集图显示了高ICI评分亚组中的T细胞受体信号通路、B细胞受体信号通路、自然杀伤细胞介导的细胞毒性、药物代谢和花生四烯酸代谢。

下图E：TCGA-HNSC队列中高和低ICI评分组的Kaplan-Meier曲线。对数秩检验，p<0.001。

下图F：TCGA-HNSC队列中患者的Kaplan-Meier曲线通过接受辅助化疗(Ct)和ICI评分进行分层。

下图G：TCGA-HNSC队列中患者的Kaplan-Meier曲线通过接受辅助放疗(Rt)和ICI评分进行分层。

ICI分数与体细胞变异之间的相关性

①体细胞变异数据的收集：TCGA-HNSC队列中患者的相应突变数据从TCGA数据门户网站下载。

②为了确定HNSC的突变负荷，计算HNSC中非同义突变的总数。

③评估HNSC驱动基因体细胞突变在低和高ICI子组之间的分布。

结果：

下图A：高和低ICI评分亚组中的TMB差异。Wilcoxon检验，p<0.0001

下图B：散点图描绘了TCGA-HNSC队列中ICI分数和突变负荷之间的正相关。显示了ICI分数和突变负荷之间的Spearman相关性(p=0.0058)。

下图C：TCGA-HNSC队列中高和低TMB组的Kaplan-Meier曲线。对数秩检验，p=0.0067。

下图D：TMB和ICI评分分层的TCGA-HNSC队列中患者的Kaplan-Meier曲线。对数秩检验，p<0.001。

下图E：oncoPrint是使用左侧的高ICI分数（红色）和右侧的低ICI分数（蓝色）构建的。每列代表个体患者。

ICI评分在预测免疫治疗效果中的作用

下图A：具有不同抗PD-1临床反应状态的组的ICI评分。Wilcoxon检验，p<0.0001。

下图B：IMvigor210队列中具有高和低ICI评分的患者的Kaplan-Meier曲线。对数秩检验，p=0.0017。

下图C：IMvigor210队列中高或低ICI评分组对抗PD-L1免疫疗法的临床反应率（完全反应[CR]/部分反应[PR]和疾病稳定[SD]/疾病进展[PD]）。

下图D：TCGA-SKCM队列中免疫治疗不同反应状态下ICI评分的分布。Wilcoxon检验，p=0.041。

下图E：TCGA-SKCM队列中ICI评分高和低的患者的Kaplan-Meier曲线。对数秩检验，p=0.047。

下图F：TCGA-SKCM队列中高或低ICI评分组对各种免疫疗法的临床反应率（CR/PR和SD/PD）。

小结：

免疫疗法的早期临床试验已经证明其在根除肿瘤生长和改善晚期HNSC患者生活质量方面的高效性。在这项研究中，作者使用CIBERSORT和ESTIMATE算法分析了大量肿瘤样本的基因表达谱，建立了ICI评分来探索各种免疫反应，发现ICI模式的差异与肿瘤异质性和治疗复杂性相关。此外，作者还根据免疫细胞浸润模式将HNSC分为三个独立的亚型，准确预测患者预后和对免疫治疗的反应。结果表明，ICI评分是评估免疫治疗反应的有效预后生物标志物和预测指标。